L’intelligence artificielle est souvent présentée sous l’angle de l’optimisation des ventes ou de l’expérience client. On cite plus volontiers l’exemple du chatbot d’une grande enseigne de mode qui aide l’internaute à construire sa garde-robe en fonction de son style plutôt que l’algorithme d’optimisation des itinéraires de ses techniciens SAV. Si le sujet est moins glamour, il est cependant bien plus révélateur du rôle décisif de l’IA en termes d’efficacité opérationnelle. « Il est des cas où l’intelligence artificielle n’est plus une option mais une technologie incontournable » remarque Madjid Khichane, directeur du pôle Intelligence artificielle chez DXC Technology.

Planification des tournées de véhicule : le rôle crucial de l’IA

L’optimisation des itinéraires de véhicules est l’exemple type d’une problématique à laquelle la quasi-totalité des entreprises qui gèrent des équipes de techniciens doivent répondre. Comment associer un technicien qualifié à une zone précise d’intervention avec un parcours parfaitement optimisé, réalisé à bord d’un camion équipé du matériel correspondant aux exigences techniques de l’intervention ? Difficile à dire sans un algorithme d’IA. « Pour ce type de problématiques, on a recours non pas à du machine learning mais à la conjugaison de l’intelligence artificielle et l’optimisation combinatoire, par exemple des algorithmes génétiques inspirés de l’évolution des gênes chez les organismes vivants pour optimiser les distances parcourues, précise Madjid Khichane.

Le cas de la maintenance prédictive dans l’aéronautique

Autre exemple, la maintenance des flottes d’avions. La plupart des pannes qui affectent les appareils proviennent de la défaillance d’une seule pièce. Comment les compagnies aériennes faisaient face à ce problème avant l’avènement de l’intelligence artificielle ? La solution était aussi simple qu’elle est coûteuse : les pièces sensibles étaient systématiquement remplacées avant qu’elles tombent en panne. Une pièce dont l’espérance de vie était estimée à 8 mois était remplacée tous les 6 mois par exemple. Un tel mode opératoire conduisait inévitablement à remplacer des pièces en bon état, sans réduire pour autant la survenance des pannes de manière efficace.

« Avec le Machine Learning – très utilisé dans la maintenance prédictive – on peut désormais estimer la probabilité qu’un composant tombe en panne et ainsi anticiper la réparation avant même que la panne survienne », poursuit Madjid Khichane ». « Très souvent, le problème ne vient pas de la durée de vie de la pièce elle-même ou d’un défaut de fabrication, mais plutôt du contexte et de l’environnement dans lequel elle évolue, c’est le cas typique de la surchauffe ». En combinant l’IoT et les méthodes d’apprentissage du Machine learning, on peut déterminer avec précision l’origine de la panne. Les milliers de capteurs répartis sur l’appareil remontent en temps réel les données de vol. En croisant ces données avec l’historique des pannes survenues par le passé, les algorithmes sont capables de prédire la survenance d’une panne, ce qui permet de prendre des correctifs et d’éviter un changement systématique des pièces. « Dans ce type de cas, l’intelligence artificielle n’est plus un simple levier d’optimisation mais une pièce maîtresse pour le bon fonctionnement du business dans son ensemble », conclut Madjid Khichane.